Paddle 2.1 拟合线性函数
原创
背景
最近在用百度的飞桨paddlepaddle
做了一些nlp的研究性的小项目，写点总结。
概念
个人理念里的人工智能，最终是对某种“函数”的拟合，这种函数可能是一维的，二维的，多维的。但这个“函数”不是推导出来的公式，而是一个黑盒子，有点类是图灵机的感觉。通过一系列的输入，训练这个盒子，不断调参修正得到正确的拟合函数。
实践
最简单的线性函数开始， 拟合 y= k*x + b 。
import numpy as np
import paddle
import paddle.nn as nn
import matplotlib
import matplotlib.pyplot as plt
from paddle.io import DataLoader, Dataset
k = 3.2
b = 10
# 生成测试数据
x = [np.random.randn() for i in range(5000)]
y = [k * i + b for i in x]
# 定义数据集
class LineDataSet(Dataset):
def __init__(self, x, y):
self.x = x
self.y = y
def __getitem__(self, idx):
data = paddle.to_tensor(self.x[idx], dtype='float32')
label = paddle.to_tensor(self.y[idx], dtype='float32')
return data, label
def __len__(self):
return len(self.x)
# 定义网架
class LineNet(nn.Layer):
def __init__(self):
super(LineNet, self).__init__()
self.fc = nn.Linear(1, 1)
def forward(self, image, label=None):
return self.fc(image)
def show(self):
print("w:%.2f, b:%.2f" % (self.fc.weight, self.fc.bias))
net = LineNet()
# 优化器
opt = paddle.optimizer.SGD(learning_rate=1e-3,
parameters=net.parameters())
dataset = LineDataSet(x, y)
loader = DataLoader(dataset,
shuffle=True,
batch_size= 20)
# 训练
for e in range(10):
for i, (data, label) in enumerate(loader()):
out = net(data)
loss = nn.functional.mse_loss(out, label)
loss.backward()
opt.step()
opt.clear_grad()
print("Epoch {} batch {}: loss = {}".format(
e, i, np.mean(loss.numpy())))
# 评估展示
net.eval()
x = np.array([np.random.randn() * 10 for i in range(5000)])
y = np.array([k * i + b for i in x])
z = np.array([net(paddle.to_tensor(i)).numpy()[0] for i in x])
plt.plot(x, y, color='blue', label="act")
plt.plot(x, z, color='red', label="eval")
plt.legend()
plt.show()
net.show()结果
Figure_1.png
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
评论
登录后参与评论
推荐阅读
目录